Troppi strumenti AI in azienda e poca organizzazione, le aziende sono nel caos

Un dipendente di Travelport ha bruciato 160 volte i token del secondo utente più attivo dell’azienda in appena quattro giorni. Non era un esperimento, non era un progetto speciale: era il comportamento ordinario di chi usa gli strumenti AI disponibili senza limiti concordati. Lee Senderov, Chief Transformation Officer di Travelport, ha raccontato il caso come esempio di quello che succede quando l’adozione AI avviene senza governance. Il Glean Work AI Index 2026, condotto su 6.000 lavoratori digitali in Stati Uniti, Regno Unito e Australia, offre il quadro statistico che fa da sfondo a quell’aneddoto: il 77% dei lavoratori usa più tool AI ogni settimana, un terzo ne usa quattro o più, e il 60% rifà gli stessi prompt su strumenti diversi quando il primo non soddisfa.

Il paradosso centrale di questi dati non è l’adozione, che corre. È il divario tra efficienza individuale e benefici organizzativi. L’AI fa risparmiare undici ore a settimana per dipendente: un guadagno reale, misurabile, che nessuno nega. Ma solo il 13% dei lavoratori afferma che la propria azienda performa significativamente meglio grazie a questi guadagni. Il risparmio individuale evapora prima di diventare valore aziendale.

Il meccanismo che divora quei guadagni ha un nome preciso: “botsitting”. Sei virgola quattro ore a settimana, in media, spese a rivedere, correggere e contestualizzare l’output dei tool AI. È un’attività che non esisteva tre anni fa e che oggi pesa quasi quanto un turno lavorativo. La ragione è tanto semplice quanto difficile da affrontare: gli strumenti AI non hanno contesto aziendale, non conoscono i vincoli specifici del progetto, non sanno cosa sa il collega nel team accanto. Ogni prompt è un ricominciamento da zero. Il 69% degli utenti AI ammette di consegnare lavoro che non ha verificato fino in fondo: non per pigrizia, ma perché il tempo necessario alla verifica riduce il guadagno netto di efficienza a una frazione di quanto promesso.

La proliferazione di strumenti aggrava tutto questo in modo non lineare. Ogni nuovo tool aggiunge una curva di apprendimento, un silo di contesto, una sessione di onboarding informale che ogni dipendente gestisce da solo. Le aziende dove i tool AI proliferano fuori controllo si trovano a gestire non una singola rivoluzione operativa ma decine di micro-adozioni parallele, ciascuna con la propria logica, i propri costi nascosti, i propri output incompatibili con quelli del collega che usa uno strumento diverso per lo stesso compito.

Rebecca Hinds, responsabile del Work AI Institute di Glean, ha inquadrato il problema con una metafora teorica che viene da Herbert Simon: la tragedia dei beni comuni. Ogni individuo ottimizza il proprio uso degli strumenti AI per massimizzare il proprio rendimento personale, esaurendo nel processo risorse condivise: budget token, attenzione del team, capacità di coordinamento. Il dipendente di Travelport che ha bruciato 160 volte i token del collega non stava facendo nulla di sbagliato dal proprio punto di vista. Stava usando ciò che aveva a disposizione. Il problema era strutturale, non individuale.

Gartner stima che entro il 2028 un’azienda Fortune 500 gestirà oltre 150.000 agenti AI, partendo da meno di 15 nel 2025. Salesforce Connectivity Benchmark 2026 fotografa il presente: le aziende gestiscono già in media 12 agenti AI, con una crescita proiettata del 67% nei prossimi due anni. Chi oggi non sa orchestrarli con 12 agenti, si trova a gestire un problema di scala ben diversa tra ventiquattro mesi. La finestra per costruire governance prima che il sistema diventi ingovernabile si sta chiudendo rapidamente.

La risposta di Gartner, pubblicata ad aprile 2026, identifica sei passi per governare la proliferazione: inventario centralizzato degli strumenti, governance delle identità degli agenti, monitoraggio dei comportamenti, costruzione di una cultura d’uso responsabile, controllo dei costi, e integrazione nei processi esistenti. Quella lista corrisponde, letteralmente, a tutto quello che la maggior parte delle aziende non ha ancora fatto. Molte non hanno nemmeno l’inventario centralizzato: non sanno quanti tool AI usa ciascun dipendente, né quanto costano aggregati. Una parte significativa di quei dipendenti usano tool non autorizzati, pagano abbonamenti personali che non compaiono nei bilanci IT, o pagano di tasca propria strumenti che l’azienda non ha ancora adottato ufficialmente. Solo una minoranza di organizzazioni ha iniziato a mettere un tetto di spesa sui token per contenere i costi.

Il quadro che emerge dal Glean Work AI Index 2026 è quello di un’adozione AI che ha superato la capacità organizzativa di metabolizzarla. Il risparmio di undici ore settimanali per dipendente è reale, ma distribuito in modo caotico: chi usa più tool risparmia di più individualmente, chi usa meno è meno produttivo agli occhi dei colleghi, e l’organizzazione nel complesso non riesce a capitalizzare nessuno dei due risultati perché mancano flussi di lavoro condivisi su cui costruire.

La pressione che ha prodotto questo caos ha un motore preciso: la necessità percepita di “segnalare innovazione”. Nei contesti aziendali dove l’AI è diventata un marker di status professionale, adottare il tool nuovo, sperimentare con il modello appena uscito, mostrare output AI in riunione è diventato più importante che integrare quegli output in processi collettivi funzionanti. Il risultato è un’accumulazione di strumenti individuali che non comunicano tra loro, una stratificazione di abbonamenti che nessuno ha mappato, e un senso diffuso di efficienza personale che non si traduce mai in efficienza organizzativa.

La soluzione non è bloccare l’adozione, che sarebbe tanto inefficace quanto controproducente. Chi ha provato a vietare l’uso di tool AI in azienda ha semplicemente spostato l’adozione fuori dal perimetro visibile. La direzione è opposta: costruire flussi di lavoro condivisi prima di comprare altri strumenti, definire quali task giustificano quale tool, creare contesto aziendale accessibile agli agenti AI in modo che il “botsitting” si riduca perché l’output è già contestualizzato. Questo richiede investimento in governance prima che in tecnologia: una priorità che quasi nessuna azienda ha ancora invertito.

Il caso Travelport è utile non perché sia eccezionale ma perché è visibile. La maggior parte delle aziende non sa nemmeno quanti token sta consumando, né come, né chi sta usando cosa. Senderov ha almeno i dati per raccontare il problema. La tragedia dei beni comuni di Herbert Simon funziona in modo silenzioso: le risorse si esauriscono prima che qualcuno abbia i numeri per descrivere l’esaurimento. Aspettare di avere un caso-limite visibile prima di costruire governance significa aspettare di essere già nel problema.